Figura 3.18: Rilevazione di una linea tratteggiata gialla e del bordo di un marciapiede.
Nell’esempio di figura 3.18, `e mostrato un esempio di funzionamento in condizioni particolari, con la presenza di un’unica linea tratteggiata gialla e dei bordi del marcia-piede. Molti dei test sul sistema sono stati effettuati su strade di questo tipo, nell’area della base aerea dismessa di Marquette (MI, Usa).
L’algoritmo di lane detection presentato riesce ad individuare con successo differenti tipologie di linee nelle immagini. Grazie al tracking implementato, `e possibile adat-tare il modello della strada mentre questo cambia, ad esempio nel caso di innesto di una nuova corsia. I tempi di computazione riscontrati su un sistema a processore P4@2.8GHz sono stati di 10 ms. Per un impiego effettivo in un sistema di assisten-za alla guida l’algoritmo necessita per`o di essere migliorato per quanto concerne la rilevazione delle righe tratteggiate e la robustezza a pattern come guardrail o ombre di guardrail. Inoltre, in un possibile impiego su immagini monoscopiche, in assenza quindi delle informazioni provenienti dai moduli stereo, deve essere inserito un pro-cesso di stabilizzazione e una serie di controlli per accertare che la linea individuata non sia costituita in realt`a da un ostacolo.
Un’importante passo avanti per l’algoritmo sarebbe inoltre il poter individuare la strada indipendentemente dalle righe, ma semplicemente in base ad un’analisi sul
colore. Questo risultato non `e per`o facilmente conseguibile, a causa ad esempio degli effetti dovuti alle ombre, che impediscono l’individuazione di un vero contrasto tra superficie stradale e aree circostanti.
Determinazione del profilo del terreno
La presenza di pendenze della strada introduce un grado di complessit`a aggiuntivo per i sistemi di percezione per autoveicoli. Per esempio, un algoritmo di rivelazione ostacoli basato su visione stereo (si veda app. B) pu`o essere indotto a considerare un cambio di pendenza come ostacolo, e lo stesso pu`o accadere ad un sistema ba-sato sui dati provenienti da radar o laserscanner. Inoltre, tutti gli algoritmi che si basano sull’assunzione di terreno piatto in questo caso giungono a risultati incorretti.
Per esempio, una trasformazione di rimozione della prospettiva (IPM), come quella utilizzata dall’algoritmo di ricerca delle corsie stradali (cap. 3), in queste condizioni genera una visione deformata del mondo reale, come quella visibile in figura 4.1, dove la pendenza causa l’impressione di una strada che improvvisamente si restrin-ga. L’estrazione del profilo del terreno costituirebbe quindi un’utile informazione per correggere questi effetti.
In [14, 15], gli autori affrontano il problema assumendo piccoli cambi di pendenza e di avere una disperazione una DSI (Disparity Space Image) con pochi contributi di rumore, in particolare che non restituisca punti nel mondo di coordinata sotto il livello del terreno. Questo approccio si `e dimostrato efficace in ambienti strutturati,
Immagine d’ingresso IPM dell’immagine
Figura 4.1: IPM di un terreno pendente.
ma fallisce in ambito off-road dove entrambe le semplificazioni (cambi di pendenza contenuti e buona ricostruzione stereo) non trovano riscontro. In questo studio `e preso in esame un metodo che ha come obiettivo la percezione del profilo del terreno anche in ambiente off-road, senza vincoli sulle massime pendenze attese.
4.1 Estrazione del profilo del terreno
Come anticipato nel paragrafo 1.2, la linea di correlazione del terreno presente nel-la V-Disparity Image contiene informazioni sulnel-la posizione e forma (profilo delle pendenze) del terreno. Lo scopo dell’algoritmo che si vuole realizzare `e quindi indi-viduare la linea di correlazione nella V-Disparity Image, dalla quale poi, attraverso semplici calcoli geometrici, `e possibile risalire al profilo del terreno.
All’interno della mia tesi di laurea [7], riprendendo lo studio di T.A. Williamson [16], ho gi`a avuto modo di trattare l’operazione di warping (distorsione) un’immagine, che consiste nel deformare l’immagine di sinistra facendo scorrere le sue righe lun-go l’asse u di una quantit`a pari alla disparit`a del terreno corrispondente all’altezza v nell’immagine (questa informazione `e disponibile dalla retta di correlazione, si veda l’app. A). L’effetto di questa operazione `e visibile in figura 4.2 dove l’immagine ot-tenuta (detta warped image, immagine distorta) sembra corrispondere perfettamente all’immagine di destra (questo `e vero per`o solo per gli elementi del terreno).
L’applicazione dell’operazione di warping sulla V-Disparity Image (con ottenimento
Immagine sinistra Immagine destra V-Disparity image
Immagine sinistra! (Dopo lo scorrimento)
Figura 4.2: Effetto dello scorrimento dell’immagine sinistra secondo i valori dettati dalla retta di correlazione.
della Warped VDImage), consente di semplificare la rivelazione dei punti appartenen-ti alla linea di correlazione, in quanto essi vanno a concentrarsi in una fascia verappartenen-ticale dell’immagine (fig. 4.3)
Immagine (sinistra) in ingresso VDImage Warped VDImage
Figura 4.3: Effetto dello scorrimento dell’immagine sinistra secondo i valori dettati dalla retta di correlazione.
Dopo questo passo, l’elaborazione si concentra sull’estrazione dei massimi per riga nella Warped VDImage 4.4; la posizione dei massimi `e calcolata con precisione sub-pixel, interpolando mediante parabola i valori nell’intorno del massimo (trovato nel dominio discreto); come sar`a possibile vedere, questo porta ad un miglioramento dei risultati, con l’estrazione di un profilo pi`u continuo.
A causa del rumore presente nella V-Disparity Image, i massimi individuati devono essere sottoposti ad un’operazione di filtraggio onde ottenere i soli punti realmente appartenenti alla linea di correlazione, in particolare eliminando i massimi isolati.
Essendo i punti di massima correlazione situati lungo una linea quasi verticale, si
`e utilizzato un filtro che pesasse maggiormente i punti in tale posizione. A questo proposito `e stato realizzato un filtro per la ricerca del vicinato con una forma rettan-golare molto restrittivo in senso orizzontale e permissivo in verticale. Questo filtro d`a risultati migliori di un semplice filtro che analizzi un intorno circolare. I massimi ottenuti sono mostrati in figura 4.5 in cui `e ora rimosso l’effetto di warping (opera-zione di warping). In questo caso, i parametri del filtro impostati sono larghezza del
Massimi Massimi (particolare)
Figura 4.4: V-Disparity image warpata e massimi trovati. In rosso sono visualizzati i punti di massima correlazione normali, mentre in blu quelli interpolati. Come si pu`o
gi`a osservare, l’andamento dei punti blu `e pi`u continuo.
box rettangolare 2.2 pixel, altezza 9 pixel e percentuale di punti nel vicinato pari al 75%. Come `e possibile osservare, il filtragio risulta essere piuttosto severo, ma si
`e constatato che parametri meno restrittivi porterebbero alla validazione di punti di rumore, con conseguenze molto dannose sul profilo del terreno che si otterrebbe.
L’ultima operazione necessaria per tracciare il profilo del terreno consiste nell’ese-guire una trasformazione da (v,d) coordinata nella V-Disparity image a coordinate mondo (x,y,z), operazione che `e possibile generando una coppia fittizia di punti da utilizzare per un’operazione di triangolazione:
• (v,u+d) nell’immagine sinistra
• (v,u) nell’immagine destra
dove u, colonna dell’immagine, `e scelta arbitrariamente al centro dell’immagine, e infatti delle (x,y,z) in uscita la coordinata y `e scartata, in quanto il profilo del terreno risiede sul piano (x,z).
Il profilo `e generato a partire dall’origine del sistema (x,z) (punto (0.0)) e i punti calcolati al passo precedente sono inseriti serialmente, scartando i punti che, per ap-prossimazione o rumore, abbiano una coordinata x inferiore ai punti gi`a inseriti (la
Massimi Massimi filtrati
Figura 4.5: Massimi trovati nella V-Disparity image warpata e massimi filtrati.
coordinata x, distanza frontale dal veicolo, deve essere sempre crescente). Il profilo `e quindi costruito dalla spezzata passante per questi punti (fig. 4.6). Il profilo `e genera-to sia impiegando i punti di massima correlazione normale (rossi), sia servendosi dei punti interpolati (blu) per poter osservare i miglioramenti ottenuti (fig. 4.7).
Figura 4.6: Immagine telecamera e profilo del terreno dove il tratto rosso indica il profilo ottenuto dai punti normali mentre quello blu `e relativo al profilo ottenuto dai
punti migliorati.
Figura 4.7: Particolare ingrandito di un esempio in cui l’interpolazione consente l’eliminazione dei gradini che si avrebbero utilizzando la disparit`a discreta.